🔥 今日值得一读
AREX-2让AI智能体自我进化，GAIA飙到92.2分，多轮迭代越跑越强！
AREX-2: Advancing Self-Improving Agents through Long-Horizon Reflective Tasks
👨💼 主理人解读 · 为什么值得关注
让智能体在推理时反复反思并优化答案，开发者可用来构建能自我迭代提升的任务执行Agent。
📖 AI 总结
AREX-2 是一项旨在提升大语言模型智能体自我改进能力的研究，作者将这一能力定义为在测试阶段迭代优化解决方案的能力，并认为其依赖两个互补要素：反思（生成优于当前解的新方案）与长时程执行（在多轮迭代中保持有效性）。研究假设这两种能力与领域无关，因而可在便于监督的场景中习得。为此，团队从机器学习与算法编程任务中合成长期改进轨迹，这两类任务均能提供可验证反馈并支持持续迭代。基于 Qwen3.8-27B 训练的智能体在 MLE-bench Lite 上取得 81.8 分，在 Frontier-CS 上取得 70.7 分，并迁移至深度研究任务，在 BrowseComp、HLE、GAIA 和 DeepSearchQA 上分别达到 84.0、52.6、92.2 和 93.8 分，且随迭代轮数预算增加而持续提升。结果表明，长时程反思数据是通往自我改进智能体的有效路径。
🔑 关键词速览
| AREX-2 | 本文提出的 LLM 智能体系统，旨在通过长时程反思任务提升智能体的自我改进能力。 |
| Self-Improving Agents | 能够在测试时迭代优化自身解决方案、无需外部干预即可持续提升性能的智能体。 |
| Long-Horizon Reflective Tasks | 需要多轮迭代反思与执行、在较长时程内保持改进效果的任务类型。 |
| MLE-bench Lite | 一个用于评估机器学习工程能力的基准测试精简版，强调可验证的迭代改进。 |
| Frontier-CS | 一个面向计算机科学前沿算法编程任务的基准测试，用于评估智能体的长时程执行与反思能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅